Predicción de Genes. Jesús Alejandro Hernández Mejía. Cinvestav-Zacatenco. 2 de Julio de 2013
|
|
- Esperanza Zúñiga Díaz
- hace 7 años
- Vistas:
Transcripción
1 Predicción de Genes Jesús Alejandro Hernández Mejía Cinvestav-Zacatenco 2 de Julio de 2013 Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
2 1 Predicción de genes Introducción Categorías de los programas de predicción de genes Determinación convencional de marcos abiertos de lectura Predicción de genes usando Modelos de Markov y Modelos Ocultos de Markov Evaluación del desempeño Programas de predicción de genes ab initio Programas basados en homología Programas basados en consenso Evaluación del desempeño Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
3 Introducción 1 Predicción de genes Introducción Categorías de los programas de predicción de genes Determinación convencional de marcos abiertos de lectura Predicción de genes usando Modelos de Markov y Modelos Ocultos de Markov Evaluación del desempeño Programas de predicción de genes ab initio Programas basados en homología Programas basados en consenso Evaluación del desempeño Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
4 Introducción Predicción de genes Introducción En los años recientes ha habido una rápida acumulación de información genómica que necesita ser procesada para predecir la estructura de los genes. Dicho proceso incluye la detección de marcos abiertos de lectura (ORF s) así como la descripción de exones e intrones en organismos eucariotas. El objetivo principal es describir todos los genes en una cadena de ADN con 100 % de precisión. Sin embargo, la predicción de genes representa uno de los problemas más difíciles en el área, debido a que las regiones codificantes (regiones compuestas de exones que codifican proteínas) no suelen tener motivos conservados. La predicción de genes en general no sólo incluye la identificación de genes codificantes de proteínas, sino también genes codificantes de ARN o de regiones reguladoras. Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
5 Introducción Predicción de genes Introducción Ha habido mucho progreso en la predicción de genes procariotas, con varios algoritmos que presentan diversos grados de éxito. Sin embargo, para organismos eucariotas, aún no hay resultados satisfactorios. Esto se debe a que los organismos eucariotas son más complejos que los procariotas, recordemos que estos últimos generalmente no tienen intrones y están compuestos de una sola hebra de ADN que es relativamente pequeña (de 0.5 a 10 Mbp) Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
6 Categorías de los programas de predicción de genes 1 Predicción de genes Introducción Categorías de los programas de predicción de genes Determinación convencional de marcos abiertos de lectura Predicción de genes usando Modelos de Markov y Modelos Ocultos de Markov Evaluación del desempeño Programas de predicción de genes ab initio Programas basados en homología Programas basados en consenso Evaluación del desempeño Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
7 Categorías de los programas de predicción de genes Categorías de los programas de predicción de genes Los métodos de predicción de genes actuales se pueden clasificar en dos categorías principales: ab initio y basados en homología. El enfoque ab initio se basa en dos características de los genes: La existencia de señales en genes, éstas señales pueden ser codones de inicio y parada, sitios de enlaces ribosomales, etc. El contenido del gen por sí mismo, ya que las regiones codificantes varían significativamente de las regiones no codificantes. Los modelos probabilísticos como los modelos ocultos de Markov ayudan a esta tarea. Los métodos basados en homología hacen sus predicciones comparando una secuencia con secuencias conocidas de genes. Algunos algoritmos pueden hacer uso de ambas estrategias, este tipo de algoritmos se les conoce como basados en consenso. Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
8 1 Predicción de genes Introducción Categorías de los programas de predicción de genes Determinación convencional de marcos abiertos de lectura Predicción de genes usando Modelos de Markov y Modelos Ocultos de Markov Evaluación del desempeño Programas de predicción de genes ab initio Programas basados en homología Programas basados en consenso Evaluación del desempeño Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
9 El entendimiento detallado de la estructura genética de estos organismos se vuelve muy útil para la predicción de genes. Veamos algunos puntos clave: La densidad de genes es de más del 90 %. Un gen se compone de una sola tira de un marco abierto de lectura sin interrupciones. Hay muy pocas secuencias repetitivas. La mayoría de los genes tienen un codón de inicio ATG (AUG en ARN). Aunque también puede haber GTG y TTG como codones de inicio. Además de los codones de inicio, otra características están asociadas con la traducción. Un ejemplo es la secuencia de Shine-Dalgarno, esta secuencia está compuesta por 6 o 7 nucleótidos antes del codón de inicio y regula la iniciación de la traducción. Existen tres posibles codones de parada. Hay genes típicos y atípicos. Los genes típicos varían en longitud desde 100 hasta 500 aminoácidos, mientras que los atípicos son mucho más cortos. Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
10 Figura : Estructura típica de un gen procariota. Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
11 1 Predicción de genes Introducción Categorías de los programas de predicción de genes Determinación convencional de marcos abiertos de lectura Predicción de genes usando Modelos de Markov y Modelos Ocultos de Markov Evaluación del desempeño Programas de predicción de genes ab initio Programas basados en homología Programas basados en consenso Evaluación del desempeño Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
12 Esto nos lleva a concluir que la identificación de genes puede estar basada en la determinación de ORFs y de las señales principales. Como primer paso, el ADN se puede traducir a sus seis maneras diferentes (recordemos que se toman codones de 3 nucleótidos), tres en un sentido y tres en sentido inverso. Debido a que un codón de parada puede ocurrir por azar cada veinte codones, un marco con más de 50 o 60 codones sin codones de parada es sugerente para ser una región codificante. El gen supuesto se confirma buscando señales de inicio y la secuencia Shine-Dalgarno. Posteriormente se traduce a una proteína y se compara en una base de datos de proteínas. Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
13 Figura : Los seis posibles marcos de lectura Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
14 Los primeros algoritmos para la predicción de genes se basaron en una regla empírica. En una región codificante la tercera posición de un codón suele tener preferencia por la base G o C o suele repetirse mucho. Esta regla tiende a identificar sólo genes típicos y omite los atípicos. La nueva genración de algoritmos de predicción usan modelos estadísticos más sofisticados. Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
15 1 Predicción de genes Introducción Categorías de los programas de predicción de genes Determinación convencional de marcos abiertos de lectura Predicción de genes usando Modelos de Markov y Modelos Ocultos de Markov Evaluación del desempeño Programas de predicción de genes ab initio Programas basados en homología Programas basados en consenso Evaluación del desempeño Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
16 Un modelo de Markov describe la probabilidad de la distribución de los nucleótidos en una secuencia de ADN, en la que la probabilidad condicional de una posición particular de la secuencia depende de las k posiciones previas. En este caso, k es el orden de un modelo de Markov. Un modelo de Markov de segundo orden se fija en las dos bases precedentes para determinar a la base que sigue, algo que es característico en los codones. Entre mayor sea el grado del modelo de Markov, más precisamente se puede predecir un gen. Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
17 Figura : Un modelo oculto de Markov de segundo orden para predicción de genes procariotas. Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
18 Los análisis estadísticos han mostrado que la frecuencia de seis nucleótidos únicos en una región codificante es mucho más alta que por mero azar. Sería lógico entonces usar un modelo de Markov de quinto orden. Sin embargo, los modelos de Markov de orden grande no son eficaces para secuencias de genes cortas. Para enfrentar esta limitación se usa un modelo de Markov de orden variable, llamado Modelo de Markov Interpolado (IMM por sus siglas en inglés). Este método toma una muestra del mayor número de patrones de secuencias con k desde 1 a 8 y usa un esquema ponderado, con más peso en k-meros raros y menos en los más frecuentes. Los genes atípicos tienden a escapar al modelo de Markov. Por tanto, para tener un algoritmo robusto de predicción, se necesita más de un modelo de Markov. Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
19 Existen aplicaciones en la red que implementan distintos tipos de modelos de markov para la predicción de genes de procariotas. GeneMark - Implementa HMM s de quinto orden. El programa principal está entrenado con genomas microbianos. El HMM puede usar el ADN de un organismo que tenga relación al genoma de entrada o se puede proporcionar un ADN, siempre y cuando tenga al menos 100 kbp. También tiene variante para organismos eucariotas. Glimmer - Implementa un IMM, al igual que GeneMark primero entrena el modelo y después hace la predicción. También tiene variante para organismos eucariotas. FGENESB - Usa HMM s de quinto orden. Está entrenado con secuencias de bacterias y usa el algoritmo Vertibi para encontrar el resultado óptimo. RBSfinder - Utiliza la salida de Glimmer para buscar las secuencias Shine-Dalgarno en el vecindario del codón de inicio. Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
20 1 Predicción de genes Introducción Categorías de los programas de predicción de genes Determinación convencional de marcos abiertos de lectura Predicción de genes usando Modelos de Markov y Modelos Ocultos de Markov Evaluación del desempeño Programas de predicción de genes ab initio Programas basados en homología Programas basados en consenso Evaluación del desempeño Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
21 La precisión de la predicción puede ser medida por la sensibilidad y la especificidad. Recapitulemos los cuatro parámetros y la fórmula de estas métricas: Sensibilidad = VP/(VP + FN) Especificidad = VP/(VP + FP) Donde VP = Verdadero Positivo, VN = Verdadero Negativo, FP = Falso Positivo y FN = Falso Negativo. La sensibilidad es la proporción de señales verdaderas predichas de todas las señales verdaderas las posibles. La especificidad es la proporción de señales verdaderas predichas de todas las señales predichas. Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
22 Para predecir completamente la precisión, se necesita un solo valor que resuma la especificidad y la sensibilidad. Un valor llamado coeficiente de correlación (CC) se usa con este fin y está dado por la siguiente fórmula: CC = VP VN FP FN (VP+FP)(VN+FN)(FP+VN El valor de CC varía de -1 a 1 siendo 1 una predicción siempre correcta y -1 una predicción incorrecta. Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
23 1 Predicción de genes Introducción Categorías de los programas de predicción de genes Determinación convencional de marcos abiertos de lectura Predicción de genes usando Modelos de Markov y Modelos Ocultos de Markov Evaluación del desempeño Programas de predicción de genes ab initio Programas basados en homología Programas basados en consenso Evaluación del desempeño Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
24 Análogamente a como lo hicimos con los procariotas, veamos algunas características de los organismos eucariotas. Los genomas son usualmente más grandes que en los procariotas, variando desde 10Mbp a 670 Gbp, con una densidad de genes mucho más baja. El espacio entre genes es usualmente muy grande y rico en secuencias repetitivas y elementos transponibles. Lo más importante quizá es que los genomas tienen una organización en la que la parte codifican de un gen tiene partes intermedias no codificantes. La transcripción (de ADN a ARNm) pasa por tres etapas antes de la traducción de proteínas. Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
25 La primer fase es el capping (la adición de un nucleótido especial en el extremo 5 del ARN) La segunda fase es el splicing, en que se eliminan los intrones y se juntan los exones. Esta fase se puede complicar pues los exones se pueden juntar de diferentes maneras y generan una transcripción diferente (Splicing alternativo). La última fase es la adición de un tira de A s (aprox. 250) en el extremo 3. Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
26 El problema principal en la predicción de genes eucariotas es la identificación de exones, intrones y posiciones de splicing. El splicing hace particularmente difícil este problema. Afortunadamente hay secuencias conservadas que permiten la predicción. Por ejemplo, la intersección de intrones y exones siguen la regla GT-AG en que un intrón en la intersección de splicing 5 tiene un motivo de consenso GTAAGT y en la intersección de splicing 3 un motivo de consenso (Py) 12 NCAG. Otra caractersística son las islas CpG, que son regiones cerca del inicio del gen con alta densidad de dinucleótidos CG. Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
27 Figura : Transcripción de un gen eucariota y splicing. Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
28 1 Predicción de genes Introducción Categorías de los programas de predicción de genes Determinación convencional de marcos abiertos de lectura Predicción de genes usando Modelos de Markov y Modelos Ocultos de Markov Evaluación del desempeño Programas de predicción de genes ab initio Programas basados en homología Programas basados en consenso Evaluación del desempeño Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
29 Este tipo de programas predicen exones, basados en las señales y el contenido del gen. Las señales incluyen la de inicio, de parada, presuntas posiciones de splice o consensos reconocibles. El contenido se refiere a las estadísticas de las regiones codificantes, lo cual incluye distribución de nucleótidos no aleatoria, frecuencias de hexámeros, etc. La frecuencia de hexámeros parece ser muy buena para discriminar las regiones codificantes. Tres técnicas son prominentes para la predicción: redes neuronales, modelos ocultos de markov y análisis de discriminantes. Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
30 En los métodos basados en redes neuronales, una red neuronal es entrenada con cadenas de genes conocidos, donde la información del gen está apropiadamente separada en varias características. La red recibe como entrada una secuencia con intrones y exones, y devuelve como salida la probabilidad de la estructura del exón. GRAIL es un programa en la red que usa redes neruonales y está especializado en los organismos humano, de ratón, Arabidopsis, Drosophila y E. coli. Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
31 Figura : Estructura básica de una red neuronal para predicción de genes Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
32 Las técnicas que usan análisis de discriminantes funcionan graficando en dos dimensiones las señales codificantes contra todas las posiciones potenciales de slice 3. El análisis lineal divide las señales codificantes de las no codificantes mediante una linea. El análisis cuadrático divide las señales codificantes de las no codificantes mediante una curva. Programas que implementan este análisis son FGENES y MZEF. Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
33 Figura : LDA vs QDA, los triángulos son características codificantes, los taches son regiones no codificantes. Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
34 Varios programas están disponibles en la red que usan HMM. GENSCAN es uno de ellos y usa un modelo de markov de quinto orden. HMMgene es otro de ellos que utiliza una característica única llamada probabilidad condicional máxima para discriminar. Esta propiedad dice que si una secuencia tiene una región que ya ha sido identificada como codificante, se queda fija y la predicción subsecuente se hace con un sesgo hacia la región fija. Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
35 1 Predicción de genes Introducción Categorías de los programas de predicción de genes Determinación convencional de marcos abiertos de lectura Predicción de genes usando Modelos de Markov y Modelos Ocultos de Markov Evaluación del desempeño Programas de predicción de genes ab initio Programas basados en homología Programas basados en consenso Evaluación del desempeño Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
36 Los programas basados en homología toman ventaja del hecho de que las estructuras de los exones y las secuencias de exones entre especies están altamente conservadas. Los marcos codificantes pueden traducirse y alinearse contra las proteínas homólogas más cercanas para encontrar regiones emparejadas casi perfectamente. El inconveniente de esta técnica es la confianza que se tiene en las secuencias de la base de datos y más aún, la presencia de estas. En caso de no existir, no se puede emplear esta técnica. Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
37 Algunos programas en la red basados en homología: GenomeScan - Combina los resultados de GENSCAN con las búsquedas de similitud de BLASTX. EST2Genome - Basado enteramente en el enfoque de alineamiento de secuencias (con programación dinámica) para establecer los límites de intrones y exones. Es especialmente bueno para encontrar exones pequeños y exones en splicings alternativos. SGP-1 - Alinea dos secuencias de ADN de organismos relacionados. Traduce los exones potenciales a proteínas y hace un alineamiento por pares. TwinScan Muy parecido a GenomeScan. Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
38 En lugar de usar las propiedades estadísticas de los exones, el problema se puede ver de la siguiente manera: Dada una proteína objetivo y una secuencia genómica, se necesita encontrar las subcadenas (substring) en la secuencia genómica cuya concatenación se ajusta mejor al objetivo. El enfoque por fuerza bruta busca todas las similitudes locales entre las secuencias y entrega un exón candidato. El mejor subconjunto de subcadenas que no se traslapan corresponde al mejor candidato a ser un exón. En el enfoque de programación dinámica, cada exón se modela con un intervalo ponderado en la secuencia genómica, descrito por tres parámetros (l,r,w). w refleja la probabilidad de el intevalo sea un exón, l y r son las posiciones de inicio y de fin del exón. Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
39 Definamos una cadena como un conjunto de intervalos ponderados que no se traslapan. El peso total de una cadena es la suma de pesos de los intervalos. Un posible algoritmo puede recibir un conjunto de n intervalos ponderados, creando un grafo G de 2n vertices, donde n de ellos representan las posiciones de inicio y las n restantes las posiciones de fin. Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
40 Existirán 3n-1 aristas, n de ellas conectan a l i y r i con peso w i. Las 2n-1 restantes tienen peso 0 y conectan vértices adyacentes, en el siguiente algoritmo s i representa el camino más largo hasta el vértice v i. Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
41 EXONCHAINING(G, n) 1 for i 1 to2n 2 s i 0 3 for i 1 to 2n 4 if vértice v i en G corresponde al extremo derecho del intervalo I. 5 j índice del vértice del extremo izquierdo del intervalo I 6 w peso del intervalo I 7 s i max(s j + w, s i 1 ) 8 else 9 s i s i 1 10 return s2 n Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
42 Un defecto de éste enfoque es que los puntos finales de los exones candidatos no están muy bien definidos. Más importante, la primer cadena de intervalos óptima puede ser similar a un sufijo de una proteína mientras que el segundo intervalo puede ser similar a un prefijo. En este caso los exones supuestos no se pueden combinar en un alineamiento válido. (Splicing tradicional). Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
43 En 1966, Mikhail Gelfand et al propusieron el algoritmo spliced alignment (programación dinámica). El primer paso del algoritmo es seleccionar los posibles exones de ciertos sitios (dinucleótidos AG y GT) o de hallar todas las subcadenas similares a una proteína objetivo. Dado un conjunto de exones candidatos y una proteína objetivo, se exploran todas las posibles cadenas del exón candidato que se parezca más a la proteína. Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
44 Sea G = g 1...g n la secuencia genómica, T = t 1...t m la secuencia objetivo (proteína) y B el conjunto de exones candidatos. El objetivo es encontrar una cadena de exones candidatos en la secuencia genómica que mejor se ajusta a la secuencia objetivo. El problema del spliced alignment se puede ver como encontrar un camino en un grafo acćlico dirigido. Los vértices del grafo corresponden a exones y las aristas sólo conectan vértices que no se traslapan. Los vértices están etiquetados con la cadena del posible exón, por tanto, un camino en el grafo deletrea la cadena final. El peso de un camino en el grafo está definido por el alineamiento entre la secuencia objetivo y la cadena del camino. Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
45 Figura : Un ejemplo de grafo de spliced alignment. El grafo es acíclico, las aristas solo conectan vértices que no se traslapan. Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
46 La recurrencia que usa el algoritmo define el puntaje de similitud entre el prefijo i del grafo y el prefijo j de la secuencia objetivo. La dificultad yace en que típicamente hay muchos prefijos que contienen la posición i (muchos prefijos i). Sea B = g left...g i...g right un exón candidato que contenga la posición i en la secuencia genómica G. Definase el prefijo-i de B como B(i) = g left...g i y end(b) = right (right se usa como índice) Si la cadena Γ = (B 1, B 2,..., B) termina en el bloque B, se define Γ (i) como la concatenación de todos los exones candidatos en la cadena hasta B, más todos los caracteres en B hasta i. Γ (i) = B 1 B 2... B(i) Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
47 Finalmente, sea S(i, j, B) = maxs(γ (i), T (j)) de todas las cadenas Γ que terminan en B Esto es, dados i, j y un exón candidato B que cubre la posicione i, S(i, j, B) es el puntaje del spliced alignment óptimo entre el prefijo i de G y el prefijo j de T. En la siguiente recurrencia se usa σ y δ como penalización por huecos y matriz de puntaje respectivamente. S(i 1, j, B) σ S(i, j, B) = max S(i, j 1, B) σ S(i 1, j 1, B) + δ(g i, t j ) Si i no es la posición inicial. Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
48 Si i es la posición inicial. S(i, j 1, B) σ S(i, j, B) = max max(s(end(b ), j 1, B ) + δ(g i, t j ) max(s(end(b ), j, B ) + σ Siendo B todos los bloques que preceden a B Esta matriz tridimensional tendrá el puntaje óptimo del spliced alignment en max B S(end(B), m, B) Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
49 1 Predicción de genes Introducción Categorías de los programas de predicción de genes Determinación convencional de marcos abiertos de lectura Predicción de genes usando Modelos de Markov y Modelos Ocultos de Markov Evaluación del desempeño Programas de predicción de genes ab initio Programas basados en homología Programas basados en consenso Evaluación del desempeño Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
50 Estos programas trabajan reteniendo las predicciones en común de los algoritmos de homología y ab initio. Eliminan las predicciones inconsistentes, con lo cual mejora la especificidad al costo de más baja sensibilidad. GeneComber - Es un programa web que combina HMMGene y GenScan. DIGIT - Use las predicciones de tres programas ab initio FGENESH, GENSCAN y HMMgene. Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
51 1 Predicción de genes Introducción Categorías de los programas de predicción de genes Determinación convencional de marcos abiertos de lectura Predicción de genes usando Modelos de Markov y Modelos Ocultos de Markov Evaluación del desempeño Programas de predicción de genes ab initio Programas basados en homología Programas basados en consenso Evaluación del desempeño Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
52 La complejidad adicional de los organismos eucariotas tiene como consecuencia que sea necesario redefinir la sensibilidad y la especificidad al nivel de exones y genes. La sensibilidad al nivel de los exones y de los genes es la proporción de exones o genes correctamente predichos de entre los exones o genes que sí están presentes. Al mismo nivel, la especificidad es la proporción de exones o genes predichos de todas las predicciones. En lugar de usar el CC se calcula un promedio de sensibilidad y especificidad. Jesús Alejandro Hernández Mejía (Cinvestav) Predicción de Genes 2 de Julio de / 52
La síntesis de proteínas
La síntesis de proteínas La Transcripción La información para fabricar todas las proteínas está almacenada en las moléculas de ADN de los cromosomas. La sucesión de bases en las moléculas de ADN es un
Más detallesOrganización del genoma eucariotico. 1. Complejidad del genoma eucariota
Organización del genoma eucariotico Procariotas: Prácticamente todo el ADN existe en forma de copia única y codifica productos génicos (proteínas y ARNs) Eucariotas: La mayor parte del ADN es NO codificante.
Más detallesDOGMA CENTRAL DE LA BIOLOGIA
La única diferencia entre las moléculas de ADN de distintos individuos es el orden en el que se disponen sus nucleótidos; lo que se denomina secuencia. Los nucleótidos se ordenan a modo de palabras que
Más detallesTECNOLOGÍAS INTELIGENTES PARA EXPLOTACIÓN DE INFORMACIÓN
TECNOLOGÍAS INTELIGENTES PARA EXPLOTACIÓN DE INFORMACIÓN FUNDAMENTOS CURSO DE DOCTORADO Dr. Ramón García-Martínez * * * CONTEXTO La inteligencia de negocio propone un abordaje interdisciplinario que tomando:
Más detallesAlineamiento de pares de secuencias
Dr. Eduardo A. RODRÍGUEZ TELLO CINVESTAV-Tamaulipas 30 de mayo del 2013 Dr. Eduardo RODRÍGUEZ T. (CINVESTAV) Alineamiento de pares de secuencias 30 de mayo del 2013 1 / 61 1 Alineamiento de pares de secuencias
Más detalles4. NÚMEROS PSEUDOALEATORIOS.
4. NÚMEROS PSEUDOALEATORIOS. En los experimentos de simulación es necesario generar valores para las variables aleatorias representadas estas por medio de distribuciones de probabilidad. Para poder generar
Más detallesTema 1: Breve Lección de biología (2)
Tema 1: Breve Lección de biología (2) Genes y Proteínas Dr. Oswaldo Trelles Universidad de Málaga La función primordial de los genes es proporcionar la información necesaria para la síntesis de proteínas.
Más detalles3.1. Administración de la medición y de la información estratégica:
Unidad III Aspectos Generales Sobre la Gestión de la Calidad 3.1. Administración de la medición y de la información estratégica: Los siguientes criterios corresponden a la administración de la medición
Más detallesModelos de Markov ocultos Predicción de genes. Alex Sánchez i Mireia Vilardell. Departament d Estadística U.B. 1. Estadística i Bioinformàtica
Modelos de Markov ocultos Predicción de genes i Mireia Vilardell Departament d Estadística U.B. Estadística i Bioinformàtica Esquema del tema Introducción: Genes y predicción de genes Predicción con modelos
Más detallesMODULO VIII. Semana 1 ASPECTOS DE EVALUACIÓN FINANCIERA, ECONÓMICA, SOCIAL Y AMBIENTAL.
MODULO VIII Semana 1 ASPECTOS DE EVALUACIÓN FINANCIERA, ECONÓMICA, SOCIAL Y AMBIENTAL Esquema de Proyecto SNIP INDICE INTRODUCCION I. ASPECTOS GENERALES II. IDENTIFICACION III. FORMULACION IV. EVALUACION
Más detallesPráctica 2: Análisis de sensibilidad e Interpretación Gráfica
Práctica 2: Análisis de sensibilidad e Interpretación Gráfica a) Ejercicios Resueltos Modelización y resolución del Ejercicio 5: (Del Conjunto de Problemas 4.5B del libro Investigación de Operaciones,
Más detallesClasificación de sistemas
Capítulo 2 Clasificación de sistemas 2.1 Clasificación de sistemas La comprensión de la definición de sistema y la clasificación de los diversos sistemas, nos dan indicaciones sobre cual es la herramienta
Más detallesLA NUEVA BIOTECNOLOGÍA
LA NUEVA BIOTECNOLOGÍA Ingeniería genética: técnicas que permiten manipular la información genética de un ser vivo. TECNOLOGÍA TRADICIONAL DEL ADN RECOMBINANTE CLONACIÓN DE GENES: Obtención de muchas copias
Más detallesPRUEBAS. Sandra Convers-Páez, M.D. Instituto de Investigaciones Médicas Facultad de Medicina 2009
PRUEBAS DIAGNÓSTICAS Sandra Convers-Páez, M.D. Instituto de Investigaciones Médicas Facultad de Medicina 2009 PRUEBAS DIAGNÓSTICAS Generalmente, pruebas realizadas en un laboratorio (también historia y
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detallesTEMA 3: Expresión Génica
TEMA 3: Expresión Génica Genómica Estructural: composición de los Genomas ADN Génico y Relacionado: 37% (1.5% CODIFICANTE, EXONES!!) ADN No Codificante: 63% (44 % ELEMENTOS TRANSPONIBLES) 1.5% 44% CONCEPTO
Más detallesIntroducción a la Bioinformática Gene prediction
Introducción a la Bioinformática Gene prediction Bioinformática - curso de posgrado Instituto de Investigaciones Biotecnológicas UNSAM Gene prediction Qué significa buscar/predecir genes? Dada una secuencia
Más detallesPROYECTOS DE INVERSDIÓN DE CAPITAL
PROYECTOS DE INVERSDIÓN DE CAPITAL 1. DEFINICIONES BÁSICAS PARTE 1 PROYECTO: Son inversiones en activos no recurrentes o no repetitivos con un objetivo, alcance, costos y cronogramas de ejecución claramente
Más detalles1. Introducción 2. Esquema básico 3. Codificación 4. Evaluación 5. Selección 6. Operadores 7. Ejemplo. Algoritmos genéticos
1. Introducción 2. Esquema básico 3. Codificación 4. Evaluación 5. Selección 6. Operadores 7. Ejemplo Algoritmos genéticos Introducción Propuestos por Holland, mediados 70, computación evolutiva Popularizados
Más detallesFunción cuadrática. Ecuación de segundo grado completa
Función cuadrática Una función cuadrática es aquella que puede escribirse como una ecuación de la forma: f(x) = ax 2 + bx + c donde a, b y c (llamados términos) son números reales cualesquiera y a es distinto
Más detallesGuía de actividades. Trabajo colaborativo 2
1. Objetivo Guía de actividades Trabajo colaborativo 2 Familiarizar al estudiante con las herramientas bioinformáticas a través del desarrollo de ejercicios prácticos. 2. Actividades Investigadores que
Más detallesEs un conjunto de objetos llamados vértices o nodos unidos por enlaces llamados aristas o arcos, que permiten representar relaciones binarias entre
Es un conjunto de objetos llamados vértices o nodos unidos por enlaces llamados aristas o arcos, que permiten representar relaciones binarias entre elementos de un conjunto. Típicamente, un grafo se representa
Más detallesAlgoritmos. Medios de expresión de un algoritmo. Diagrama de flujo
Algoritmos En general, no hay una definición formal de algoritmo. Muchos autores los señalan como listas de instrucciones para resolver un problema abstracto, es decir, que un número finito de pasos convierten
Más detallesFlujo de información en la célula
1 Flujo de información en la célula Transcripción Proceso de síntesis de ARN dirigido por el ADN. Una hebra es copiada (hebra molde) Relacionado con expresión génica Algunas regiones que se transcriben
Más detalles3. ASOCIACIÓN ENTRE DOS VARIABLES CUALITATIVAS
1. INTRODUCCIÓN Este tema se centra en el estudio conjunto de dos variables. Dos variables cualitativas - Tabla de datos - Tabla de contingencia - Diagrama de barras - Tabla de diferencias entre frecuencias
Más detallesSintaxis del Analizador de consultas Lucene
Sintaxis del Analizador de consultas Lucene Índice: Visión general... 2 Términos... 2 Campos... 2 Modificadores de texto... 3 Búsquedas comodín... 3 Búsquedas difusas... 4 Búsquedas de proximidad... 4
Más detallesControl de Expresión Génica Procariota. Profesor: Javier Cabello Schomburg, MS
Control de Expresión Génica Procariota Profesor: Javier Cabello Schomburg, MS Qué es un gen? Es una secuencia de nucleótidos en la molécula de ADN, equivalente a una unidad de transcripción. Contiene la
Más detallesRedes bayesianas temporales para reconocimiento de escenarios
Redes bayesianas temporales para reconocimiento de escenarios Ahmed Ziani and Cina Motamed Visión de Alto Nivel Dr. Enrique Sucar Irvin Hussein López Nava Junio 2009 Introducción (1) Objetivo: aplicaciones
Más detallesEstadística Inferencial. Estadística Descriptiva
INTRODUCCIÓN Estadística: Ciencia que trata sobre la teoría y aplicación de métodos para coleccionar, representar, resumir y analizar datos, así como realizar inferencias a partir de ellos. Recogida y
Más detallesCÓMO SE PUEDE DETERMINAR LA SECUENCIA DEL DNA A PARTIR DE UNA PROTEÍNA? DR. MANUEL E. AQUINO
Alianza para el Aprendizaje de Ciencias y Matemáticas CÓMO SE PUEDE DETERMINAR LA SECUENCIA DEL DNA A PARTIR DE UNA PROTEÍNA? DR. MANUEL E. AQUINO GUÍA DEL MAESTRO ESTÁNDARES ATENDIDOS: 1. LA NATURALEZA
Más detallesAlgunos conceptos básicos de Trigonometría DEFINICIÓN FIGURA OBSERVACIONES. Nombre y definición Figura Característica
Ángulos. DEFINICIÓN FIGURA OBSERVACIONES Ángulo. Es la abertura formada por dos semirrectas unidas en un solo punto llamado vértice. Donde: α = Ángulo O = Vértice OA = Lado inicial OB = Lado terminal Un
Más detallesObjetivos. Epígrafes 3-1. Francisco José García Álvarez
Objetivos Entender el concepto de variabilidad natural de un procesos Comprender la necesidad de los gráficos de control Aprender a diferenciar los tipos de gráficos de control y conocer sus limitaciones.
Más detallesGeneración de variables aleatorias continuas Método de la transformada inversa
Generación de variables aleatorias continuas Método de la transformada inversa Georgina Flesia FaMAF 16 de abril, 2013 Generación de v.a. discretas Existen diversos métodos para generar v.a. discretas:
Más detallesOPTIMIZACIÓN VECTORIAL
OPTIMIZACIÓN VECTORIAL Métodos de Búsqueda Directa Utilizan sólo valores de la función Métodos del Gradiente Métodos de Segundo Orden Requieren valores aproimados de la primera derivada de f) Además de
Más detallesTema 8. Mapas físicos Genómica estructural
Tema 8 Mapas físicos Genómica estructural Genoma Genómica Genómica estructural Genómica funcional Mapas genéticos Mapas físicos EXPRESIÓN Transcriptoma Proteoma Interactoma FUNCIÓN Genética inversa Secuenciacion
Más detallesVariables aleatorias
Distribuciones continuas Se dice que una variable aleatoria X tiene una distribución continua, o que X es una variable continua, si existe una función no negativa f, definida sobre los números reales,
Más detallesEstructuras en LabVIEW.
Estructuras en LabVIEW. Sumario: 1. Ejecución según el flujo de datos. 2. Estructuras básicas disponibles en LabVIEW. a) Estructura Sequence. b) Estructura Case. c) Estructura For Loop. d) Estructura While
Más detallesProgramación Lineal. El método simplex
Programación Lineal El método simplex El método simplex es una herramienta algebraica que permite localizar de manera eficiente el óptimo entre los puntos extremos de una solución a un problema de programación
Más detallesHabilidades Matemáticas. Alejandro Vera
Habilidades Matemáticas Alejandro Vera La distribución normal Introducción Una de las herramientas de mayor uso en las empresas es la utilización de la curva normal para describir situaciones donde podemos
Más detallesEpidemiología. 4. Validez y confiabilidad de las pruebas diagnósticas.
Epidemiología 4. Validez y confiabilidad de las pruebas diagnósticas. Pruebas diagnósticas. Variación biológica de la población. Variación biológica de la población. sanos enfermos resultado de la prueba
Más detallesTema 5 Algunas distribuciones importantes
Algunas distribuciones importantes 1 Modelo Bernoulli Distribución Bernoulli Se llama experimento de Bernoulli a un experimento con las siguientes características: 1. Se realiza un experimento con dos
Más detallesde Operaciones Área Académica: Sistemas Computacionales Tema: Tipos de Modelos en Investigación Profesor: I.S.C. Guadalupe Hernández Coca
Área Académica: Sistemas Computacionales Tema: Tipos de Modelos en Investigación de Operaciones Profesor: I.S.C. Guadalupe Hernández Coca Periodo: Julio Diciembre 2011 Keywords: investigation of operations,
Más detallesPrueba, caso de prueba, defecto, falla, error, verificación, validación.
Modelos de Prueba Prueba, caso de prueba, defecto, falla, error, verificación, validación. Prueba: Las Pruebas son básicamente un conjunto de actividades dentro del desarrollo de software, es una investigación
Más detallesMEDIDAS DE TENDENCIA CENTRAL (MEDIDAS DE POSICIÓN)
MEDIDAS DE TENDENCIA CENTRAL (MEDIDAS DE POSICIÓN) Las medidas de tendencia central se llaman promedios. Un promedio es un valor típico en el sentido de que se emplea a veces para representar todos los
Más detallesEL A.D.N. Existen 2 tipos de Acidos Nucleicos : ADN (Acido Desoxirribonucleico) y ARN (Acido Ribonucleico) Diferencias entre ADN y ARN
EL A.D.N Existen 2 tipos de Acidos Nucleicos : ADN (Acido Desoxirribonucleico) y ARN (Acido Ribonucleico) Diferencias entre ADN y ARN Hay tres tipos netamente diferenciados de ARN, tanto en su estructura
Más detallesEstadística Espacial en Ecología del Paisaje
Estadística Espacial en Ecología del Paisaje Introducción H. Jaime Hernández P. Facultad de Ciencias Forestales U. de Chile Tipos de datos en análisis espacial Patrones espaciales puntuales Muestras geoestadísticas
Más detallesModelos Estocásticos I Tercer Examen Parcial Respuestas
Modelos Estocásticos I Tercer Examen Parcial Respuestas. a Cuál es la diferencia entre un estado recurrente positivo y uno recurrente nulo? Cómo se define el período de un estado? Demuestre que si el estado
Más detallesProfesorado de Nivel Medio y Superior en Biología Matemática - 1º Cuatrimestre Año 2013 FUNCIÓN CUADRÁTICA
Matemática - º Cuatrimestre Año 0 FUNCIÓN CUADRÁTICA Hemos definido anteriormente la función lineal como una función f: R R de la forma f()a+b con a R y b R, que se representa en el plano mediante una
Más detallesExterior del algoritmo. Entorno. Usuario. Procesador. Escribir. v1 v2 v3. Leer. <acción> {; <acción>}
Bloque II. 2. Objetos y acciones elementales Bloque II. 2. Objetos y acciones elementales Objetivos: Familiarizarse con conceptos de entorno, objeto y tipo Entender qué significa que un objeto sea de un
Más detallesReplicación del ADN - Replicación de la doble hélice: Biosíntesis de ADN en células procariotas y
Replicación del ADN - Replicación de la doble hélice: Biosíntesis de ADN en células procariotas y eucariotas. Corrección de errores. (poner especial atención, es muy importante entenderla, pues en este
Más detalles4 E.M. Curso: Unidad: Estadísticas Inferencial. Colegio SSCC Concepción. Depto. de Matemáticas. Nombre: CURSO: Unidad de Aprendizaje: FUNCIONES
Colegio SSCC Concepción Depto. de Matemáticas Unidad de Aprendizaje: FUNCIONES Capacidades/Destreza/Habilidad: Racionamiento Matemático/Calcular/ Resolver Valores/ Actitudes: Curso: E.M. 10 Respeto, Solidaridad,
Más detallesTema 2. Descripción Conjunta de Varias Variables
Tema 2. Descripción Conjunta de Varias Variables Cuestiones de Verdadero/Falso 1. La covarianza mide la relación lineal entre dos variables, pero depende de las unidades de medida utilizadas. 2. El análisis
Más detallesBLOQUE I: GEOMETRÍA PLANA Y FIGURAS GEOMÉTRICAS. Ecuaciones y sistemas. 2 (20 horas) Funciones y gráficas. 2 (20 horas) Estadística y probabilidad
PROGRAMACIÓN DIDÁCTICA Materia IV Período FBPI Tramo II Ámbito Científico-Tecnológico Bloque I Geometría plana y figuras geométricas Créditos 3 (30 horas) Bloque II Créditos Ecuaciones y sistemas 2 (20
Más detallesOtra característica poblacional de interés es la varianza de la población, 2, y su raíz cuadrada, la desviación estándar de la población,. La varianza
CARACTERÍSTICAS DE LA POBLACIÓN. Una pregunta práctica en gran parte de la investigación de mercado tiene que ver con el tamaño de la muestra. La encuesta, en principio, no puede ser aplicada sin conocer
Más detallesCapítulo 6. Relaciones. Continuar
Capítulo 6. Relaciones Continuar Introducción Una relación es una correspondencia entre dos elementos de dos conjuntos con ciertas propiedades. En computación las relaciones se utilizan en base de datos,
Más detallesProbabilidad 3/1/2010. EVSC 5020: Bioestadística. Qué es probabilidad? Prof. Rafael R. Canales-Pastrana. EVSC 5020: Bioestadística
Probabilidad Prof. Rafael R. Canales-Pastrana 2 Qué es probabilidad? 3 1 Definiciones de Probabilidad La medida del grado de confianza que uno tiene, en que ocurra el acontecimiento. Método axiomático:
Más detallesEstatutos de Control C# Estatutos de Decisión (Selección)
SELECCIÓN Estatutos de Control C# Estatutos de Decisión (Selección) IF Condición THEN Estatuto1 ELSE Estatuto2 Estatuto1 Statement Condición... Antes de ver esta presentación: Lee el Capítulo correspondiente
Más detallesFundamentos de programación
Fundamentos de programación Estructuras de Control Estructuras de control Estructuras de control Estructura secuencial Estructura alternativa Sentencias if, if else Sentencias if else anidadas El operador
Más detalles2. EXPRESIONES 3. OPERADORES Y OPERANDOS 4. INDENTIFICADORES COMO LOCALIDADES DE MEMORIA
CONTENIDOS: 1. TIPOS DE DATOS 2. EXPRESIONES 3. OPERADORES Y OPERANDOS 4. INDENTIICADORES COMO LOCALIDADES DE MEMORIA OBJETIO EDUCACIONAL: El alumno conocerá las reglas para cambiar fórmulas matemáticas
Más detallesRuta más Corta con una sóla Fuente de Inicio (Single-Source Shortest Paths) DR. JESÚS A. GONZÁLEZ BERNAL CIENCIAS COMPUTACIONALES INAOE
Ruta más Corta con una sóla Fuente de Inicio (Single-Source Shortest Paths) 1 DR. JESÚS A. GONZÁLEZ BERNAL CIENCIAS COMPUTACIONALES INAOE Problema de Encontrar la Ruta más Corta 2 Se requiere llegar de
Más detallesANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ
ANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ Probabilidad - Período de retorno y riesgo La probabilidad de ocurrencia de un fenómeno en hidrología puede citarse de varias Formas: El
Más detallesEl TAD Grafo. El TAD Grafo
! Esta representación resulta útil cuando el número de vértices se conoce previamente y permanecerá fijo durante la resolución del problema, pero resulta ineficiente si necesitamos añadir o eliminar vértices
Más detallesELECTRODINAMICA. Nombre: Curso:
1 ELECTRODINAMICA Nombre: Curso: Introducción: En esta sesión se estudiara los efectos de las cargas eléctricas en movimiento en diferentes tipos de conductores, dando origen al concepto de resistencia
Más detallesGeneración de Variables Aleatorias. UCR ECCI CI-1453 Investigación de Operaciones Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Generación de Variables Aleatorias UCR ECCI CI-453 Investigación de Operaciones Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción Las variables aleatorias se representan por medio de distribuciones
Más detallesTema 13. Los caracteres cuantitativos. Genética CC.MM.
Tema 13. Los caracteres cuantitativos Genética CC.MM. Contenidos Los caracteres cuantitativos La naturaleza de la variación continua Norma de reacción Heredabilidad de un carácter Selección artificial
Más detallesLECTURA 01: LA DISTRIBUCIÓN NORMAL GENERAL. LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I). TEMA 1: LA DISTRIBUCION NORMAL GENERAL.
LECTURA 1: LA DISTRIBUCIÓN NORMAL GENERAL LA DISTRIBUCIÓN NORMAL ESTÁNDAR (PARTE I) TEMA 1: LA DISTRIBUCION NORMAL GENERAL PROPIEDADES 1 INTRODUCCION La distribución de probabilidad continua más importante
Más detallesUNIDAD 4: FUNCIONES POLINOMIALES Y RACIONALES
UNIDAD 4: FUNCIONES POLINOMIALES Y RACIONALES En la Sección anterior se abordó contenidos relacionados con las funciones y gráficas, continuamos aprendiendo más sobre funciones; en la presente unidad abordaremos
Más detallesGENÉTICA MOLECULAR 1865 MENDEL PRESENTA SU PUBLICACIÓN SOBRE LAS LEYES DE LA HERENCIA 1928 GRIFFITH DESCUBRE EL PRINCIPIO TRANSFORMANTE
1865 MENDEL PRESENTA SU PUBLICACIÓN SOBRE LAS LEYES DE LA HERENCIA 1928 GRIFFITH DESCUBRE EL PRINCIPIO TRANSFORMANTE 1 9 4 4 A V E R Y Y M C L E O D D E S C U B R E N Q U E P R I N C I P I O TRANSFORMANTE
Más detallesOrganización y estructura de genomas
Organización y estructura de genomas ORGANIZACIÓN DE LOS GENOMAS 1. Un gen es un segmento de DNA que al expresarse da un producto funcional que puede ser una proteína o un RNA. 2. Un genoma es el conjunto
Más detallesVamos a profundizar un poco sobre los distintos tipos de datos que podemos introducir en las celdas de una hoja de cálculo
Tipos de datos. Vamos a profundizar un poco sobre los distintos tipos de datos que podemos introducir en las celdas de una hoja de cálculo Valores Constantes: Es un dato que se introduce directamente en
Más detallesFISIOLOGÍA GENERAL Jesús Merino Pérez y María José Noriega Borge
TRANSCRIPCIÓN INTRODUCCIÓN En las rutas de transmisión de la información genética, se denomina transcripción al proceso de trasvase de la información contenida en el ADN, a la molécula de ARN. Constituye
Más detallesTema: Los Grafos y su importancia para la optimización de redes.
Tema: Los Grafos y su importancia para la optimización de redes. Qué son los Grafos? Un grafo es una dupla G= {X,U}, donde X es un conjunto finito y no vacio de elementos llamados vértices y U es el conjunto
Más detallesAnálisis de Decisiones II. Tema 17 Generación de números al azar. Objetivo de aprendizaje del tema
Tema 17 Generación de números al azar Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Obtener números aleatorios a partir de un proceso de generación. Validar las características
Más detallesIdentificación de inecuaciones lineales en los números reales
Grado Matematicas - Unidad Operando en el conjunto de Tema Identificación de inecuaciones lineales en los números reales Nombre: Curso: A través de la historia han surgido diversos problemas que han implicado
Más detalles15. Regresión lineal. Te recomiendo visitar su página de apuntes y vídeos:
15. Regresión lineal Este tema, prácticamente íntegro, está calacado de los excelentes apuntes y transparencias de Bioestadística del profesor F.J. Barón López de la Universidad de Málaga. Te recomiendo
Más detallesRegulación génica. Necesaria tanto en procariotas como eucariotas. Todas las células del cuerpo tienen el mismo material genético
Regulación génica Necesaria tanto en procariotas como eucariotas Todas las células del cuerpo tienen el mismo material genético Bacterias responden a su ambiente expresando los genes apropiados. Economía
Más detallesModelo Predictivo del Crimen para la Región Metropolitana
Análisis Espacial de la Criminalidad basado en Georeferenciación de Denuncias José Miguel Benavente PhD Departamento de Economía. Departamento de Ingeniería Industrial. Universidad de Chile. Carabineros
Más detallesSINTAXIS DE BÚSQUEDA PARA
SINTAXIS DE BÚSQUEDA PARA VIDOC2.0 VERSIÓN: 1 DIRECCIÓN DIVISIONAL DE SISTEMAS Y TECNOLOGÍA DE LA INFORMACIÓN Contenido 1 TÉRMINOS 4 2 CAMPOS 4 3 MODIFICADORES DE TEXTO 5 3.1 BÚSQUEDAS COMODÍN 5 3.2 BÚSQUEDAS
Más detallesESTADÍSTICA SEMANA 3
ESTADÍSTICA SEMANA 3 ÍNDICE MEDIDAS DESCRIPTIVAS... 3 APRENDIZAJES ESPERADOS... 3 DEFINICIÓN MEDIDA DESCRIPTIVA... 3 MEDIDAS DE POSICIÓN... 3 MEDIDAS DE TENDENCIA CENTRAL... 4 MEDIA ARITMÉTICA O PROMEDIO...
Más detallesADN, ARN Y SÍNTESIS DE PROTEÍNAS
UNIVERSIDAD DEL VALLE DE GUATEMALA CU125 - CIENCIAS NATURALES FLOR DE MARÍA PELÁEZ ADN, ARN Y SÍNTESIS DE PROTEÍNAS DIEGO FERNANDO GODOY RECKHOLDER #09602 OSCAR ALESSANDRO REYES LICO #09565 10 de marzo
Más detallesAlgoritmos Genéticos. Introducción a la Robótica Inteligente. Álvaro Gutiérrez 20 de abril de
Algoritmos Genéticos Introducción a la Robótica Inteligente Álvaro Gutiérrez 20 de abril de 2016 aguti@etsit.upm.es www.robolabo.etsit.upm.es Índice 1 Introducción 2 Algoritmos Genéticos 3 Algunos Fundamentos
Más detallesDesde los programas más simples escritos en un lenguaje de programación suelen realizar tres tareas en forma secuencial.
Tipos de Datos Desde los programas más simples escritos en un lenguaje de programación suelen realizar tres tareas en forma secuencial. Entrada de datos Procesamientos de datos Salida de resultados Los
Más detallesOptimización. Búsqueda en una Dimensión ITESM. Búsqueda en una Dimensión Profr. E. Uresti - p. 1/19. Dr. E Uresti
Optimización Búsqueda en una Dimensión Dr. E Uresti ITESM Búsqueda en una Dimensión Profr. E. Uresti - p. 1/19 Algunos de los métodos numéricos de búsqueda de óptimos de una función en varias variables
Más detallesCONTENIDOS. 1. Procesos Estocásticos y de Markov. 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD
CONTENIDOS 1. Procesos Estocásticos y de Markov 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD 4. Comportamiento Estacionario de las CMTD 1. Procesos Estocásticos
Más detalles1.3.- V A L O R A B S O L U T O
1.3.- V A L O R A B S O L U T O OBJETIVO.- Que el alumno conozca el concepto de Valor Absoluto y sepa emplearlo en la resolución de desigualdades. 1.3.1.- Definición de Valor Absoluto. El valor absoluto
Más detallesClase 10. del DNA a las proteínas. Traducción
Clase 10. del DNA a las proteínas. Traducción 1. El código genético. 2. Principales participantes en la traducción: RNAm, ribosomas, RNAt. 3. Etapas de la traducción: 1. Iniciación 2. Elongación 3. Terminación
Más detallesla solución a una ecuación cuadrática solicitando al usuario los términos de dicha ecuación.
ALGORITMOS SECUENCIALES: La estructura secuencial es aquella en la que una acción (instrucción) sigue a otra en secuencia. Las tareas se suceden de tal modo que la salida de una es la entrada de la siguiente
Más detallesRepresentación en el espacio de estado. Sistemas Control Embebidos e Instrumentación Electrónica UNIVERSIDAD EAFIT
Representación en el espacio de estado Representación en espacio de estado Control clásico El modelado y control de sistemas basado en la transformada de Laplace, es un enfoque muy sencillo y de fácil
Más detallesCAPÍTULO 4 TÉCNICA PERT
54 CAPÍTULO 4 TÉCNICA PERT Como ya se mencionó en capítulos anteriores, la técnica CPM considera las duraciones de las actividades como determinísticas, esto es, hay el supuesto de que se realizarán con
Más detallesINTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)
INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que
Más detallesEvidentemente, la superficie es un triángulo rectángulo de base 1 y altura también la unidad, por tanto su área es 1/2.
LA INTEGRAL DEFINIDA En los dos temas anteriores se ha hecho el estudio de las primitivas de una función, descubriendo distintos procedimientos para el cálculo de primitivas, es decir, se han encontrado
Más detallesLenguajes y Gramáticas
Lenguajes y Gramáticas Teoría de Lenguajes Fernando Naranjo Introduccion Se desarrollan lenguajes de programación basados en el principio de gramática formal. Se crean maquinas cada vez mas sofisticadas
Más detallesAsignación de cargas de trabajo mediante gantt:
TEMA 2: PROGRAMACIÒN DE OPERACIONES EJERCICIOS RESUELTOS Asignación de cargas de trabajo mediante gantt: 1. Encuentre un programa factible para los siguientes datos de un taller de producción intermitente:
Más detallesTema 2 Introducción a la Programación en C.
Tema 2 Introducción a la Programación en C. Contenidos 1. Conceptos Básicos 1.1 Definiciones. 1.2 El Proceso de Desarrollo de Software. 2. Lenguajes de Programación. 2.1 Definición y Tipos de Lenguajes
Más detallesLA ECUACIÓN CUADRÁTICA
INSTITUCION EDUCATIVA LA PRESENTACION NOMBRE ALUMNA: AREA : MATEMÁTICAS ASIGNATURA: MATEMÁTICAS DOCENTE: EDISON MEJIA MONSALVE TIPO DE GUIA: CONCEPTUAL - EJERCITACION PERIODO GRADO N 0 FECHA DURACION 3
Más detallesUniversidad Tec Milenio: Profesional HG04002 Análisis de Decisiones I
Tema # 10 El método de las M s como solución de problemas de programación lineal 1 Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Resolver modelos de programación lineal mediante
Más detallesCálculo I (Grado en Ingeniería Informática) Problemas adicionales resueltos
Cálculo I (Grado en Ingeniería Informática) - Problemas adicionales resueltos Calcula el ĺımite lím ( n + n + n + ) n Racionalizando el numerador, obtenemos L lím ( n + n + n (n + n + ) (n + ) + ) lím
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detalles